josé affonso moreira penna orientação: cairo l. nascimento jr. – ita co-orientação: leonardo...
TRANSCRIPT
Monitoramento da Saúde e Estimação da Vida Útil de
Baterias Aeronáuticas de Lítio-íon
José Affonso Moreira Penna
Orientação: Cairo L. Nascimento Jr. – ITACo-orientação: Leonardo Ramos Rodrigues- Embraer
Curso de Mestrado Profissionalizante em Engenharia Aeronáutica
1
Introdução
PHM (Prognostics and Health Management)
Baterias de Lítio-íon
Descrição do modelo
Estudo de caso
Conclusão
Estrutura do Trabalho
2
Introdução
PHM (Prognostics and Health Management)
Baterias de Lítio-íon
Descrição do modelo
Estudo de caso
Conclusão
Estrutura do Trabalho
3
•Estudo de baterias de lítio-íon
•Analise de dados experimentais
Modelos
•Simulação de descargas da
bateria ao longo de seu ciclo de vida
Monitoramento • Estudo e aplicação de técnicas de
PHM
Estimativa de RUL
Motivação Busca de redução de custos de manutenção e de operação aos
operadores;
Busca do aumento da segurança de voo;
Desenvolvimento de técnicas de prognóstico;
Objetivo Desenvolver metodologia para estimação do tempo de vida útil
restante (RUL) da bateria aeronáutica de lítio-íon.
Metodologia
Introdução
4
Introdução
PHM (Prognostics and Health Management)
Baterias de Lítio-íon
Descrição do modelo
Estudo de caso
Conclusão
Estrutura do Trabalho
5
Introdução
PHM (Prognostics and Health
Management)
Baterias de Lítio-íon
Descrição do modelo
Estudo de caso
Conclusão
Estrutura do Trabalho
6
Origem:
◦ Disciplina em processo de amadurecimento;
◦ Estudo do mecanismo de falha ↔ Gestão do ciclo de vida;
◦ 1970 - HUMS (Health & Usage Monitoring Systems): MH-47E Chinook (monitoramento de vibrações para predizer falhas nas engrenagens dos rotores de helicópteros)
◦ 1980 - Fabricantes visualizam oportunidade de negócios e iniciam fabricação deste sistema (Smiths Aerospace)
PHM (Prognostics and Health Management)
7
Fundamentos:
1. Envelhecimento ocorre em função do uso, do tempo e das condições ambientais;
2. Envelhecimento (acúmulo do dano) é um processo monotônico que se manifesta na degradação física e química;
3. Sinais do envelhecimento (direto ou indireto) são detectáveis antes da falha ostensiva do componente (perda da função);
4. Correlação entre os sinais de envelhecimento e modelo de degradação possibilita a estimativa de RUL (Remaining Useful Life).
PHM (Prognostics and Health Management)
8
Cenário atual:
◦ MTBF (Mean Time Between Failures) Estatística de falha de determinada população; Não considera variação de parâmetros de operação; Pouco preciso;
Propostas:
◦ Estimativa de RUL orientada a dados (Data-Driven Methods)
◦ Estimativa de RUL orientada a modelo (Model-Based Methods)
PHM (Prognostics and Health Management)
9
Estimativa de RUL orientada a dados (Data-Driven Methods)
◦ analise em tempo real os dados multidimensionais e ruidosos;
◦ grande numero de variáveis relacionadas a degradação;◦ armazenagem e analise de dados onerosas;◦ gerência de incertezas;
PHM (Prognostics and Health Management)
10
Estimativa de RUL orientada a modelo (Model-Based Methods)
◦ Desenvolvimento de modelo que relacionam o uso do componente com o acúmulo de danos;
◦ Utilização de dados da operação para pequenos ajustes dos parâmetros do modelo;
◦ Processos mais envolventes;◦ Tipicamente resultam em uma estimação de
RUL mais exata e precisa;◦ Vantagens na validação, verificação e
certificação pois a resposta do modelo pode ser relacionada com princípios físicos.
PHM (Prognostics and Health Management)
11
PHM (Prognostics and Health Management)
Baterias Aeronáuticas
◦ Crítico para o bom estado e funcionamento dos sistemas. Falha pode levar a redução de performance, deterioriação operacional, e falha catastrófica;
◦ Utilizado para a partida dos motores e em caso de pane elétrica das fontes principais de energia elétrica (geradores) e alternativas (RAT);
12
PHM (Prognostics and Health Management)
Baterias Aeronáuticas
◦ Dificuldade de predizer com exatidão o fim da vida da bateria a partir da estimação de SoH (State of Health) sob condições ambientais e de carga diferentes dos experimentos. Exemplo: sonda espacial Mars Global Surveyor da NASA.
◦ Tarefas de manutenção (inspeções e substituições) baseados em tempos fixos (hard times):
Custo direto e indireto; Diminuição da despachabilidade; Dados insuficientes para predição de falha; Degradação na segurança de voo;
13
Introdução
PHM (Prognostics and Health
Management)
Baterias de Lítio-íon
Descrição do modelo
Estudo de caso
Conclusão
Estrutura do Trabalho
14
Introdução
PHM (Prognostics and Health Management)
Baterias de Lítio-íon
Descrição do modelo
Estudo de caso
Conclusão
Estrutura do Trabalho
15
Princípio de funcionamento
Descarga
Recarga
Comparativo com outras baterias
◦ Maior densidade de energia
Baterias de Lítio-íon
16
Comparativo com outras baterias
◦ Baixa autodescarga◦ Longa vida em estoque◦ Alto custo do equipamento◦ Comercializado desde 1991
Baterias de Lítio-íon
PesoRelativo
Auto--descarga
Ciclo de Vida
Vida em Estoque
CustoRelativo
Ano
Chumbo-ácido Muito Pesado
5% 200-300 6 meses X 1970
Níquel-cádmio Pesado 20% 500-1500 6 meses 2X 1950
Níquel-metal Moderado 30% 300-500 12 meses 2,5X 1990
Lítio-íon Leve 10% 500-1000 12 meses 4X 1991
Lítio-polímero Leve 10% 300-500 12 meses 5X 1999
17
Modos de Falha
◦ Sobretensão◦ Subtensão◦ Baixa temperatura◦ Alta temperatura◦ Fadiga mecânica◦ Ciclo de vida
Baterias de Lítio-íon
18
Introdução
PHM (Prognostics and Health Management)
Baterias de Lítio-íon
Descrição do modelo
Estudo de caso
Conclusão
Estrutura do Trabalho
19
Introdução
PHM (Prognostics and Health Management)
Baterias de Lítio-íon
Descrição do modelo
Estudo de caso
Conclusão
Estrutura do Trabalho
20
Repositório de Dados
Fonte: NASA Ames Prognostics Data Repository 34 baterias de lítio-íon (Cnominal=2Ah) Repetidos ciclos de Recarga, Descarga e Medição de Impedância Descarga: Corrente Constante até Vmínimo
Arquivos .mat
Descrição do Modelo
21
Repositório de Dados
◦ Tratamento dos Dados
Removido V=0; Removido pontos de circuito aberto; Extrapolação da curva de descarga.
Descrição do Modelo
22
Repositório de Dados
◦ Efeito da Degradação ao longo do Ciclo de Vida
Redução do tempo de descarga; Redução da tensão elétrica.
Descrição do Modelo
23
Repositório de Dados
◦ Cálculo da Capacidade
◦ Cálculo do estado de carga (SoC)
Descrição do Modelo
finalt
dttIC0
)(
t
t
dttIC
tSoCtSoC1
)(1
)1()(
24
Repositório de Dados
◦ Removidas as baterias: B0025, B0026, B0027, B0028, B0038, B0039, B0040, B0041, B0042, B0043, B0044, B0049, B0050, B0051, B0052
Falha no sistema de controle; Corrente elétrica em forma de onda quadrada na descarga; Variação de corrente elétrica e temperatura ao longo da vida da bateria.
◦ 19 Baterias restantes:
Descrição do Modelo
B0045 B0047B0046 B0048
B0053 B0055B0054 B0056
B0005 B0007B0006 B0018
B0036
B0033B0034
B0029 B0031B0030 B0032
T=4°C T=24°C T=43°C
I=1A
I=2A
I=4A
25
Modelagem da curva de descarga
◦ (PAATERO, 1997) e (SPERANDIO, 2010);
◦ Calculo de Tensão Elétrica U (I,T,SoC):
Descrição do Modelo
26
Modelagem da curva de descarga
◦ Determinação dos parâmetros x1...x17:
Seleção das primeira curva de descarga (bateria nova) de cada bateria;
Seleção de 5 baterias (uma para cada perfil de descarga);
Rotina executa FMINSEARCH (MATLAB®) agrupando uma bateria por execução;
Cálculo do erro:
Descrição do Modelo
27
Modelagem da curva de descarga
◦ Resultados:
1237 ponto utilizados;
Obtido os parâmetros x1...x17;
Erro médio = 0,0565;
Variância do erro = 0,0058.
Descrição do Modelo
28
Modelagem da curva de descarga
◦ Comparação Modelo x Repositório
Descrição do Modelo
29
Modelagem da capacidade
◦ Modelo Linear Capacidade = f (T, I, nc)
◦ Determinação dos parâmetros c0 e c1
Seleção de 5 baterias (uma para cada perfil de descarga);
Seleção dos valores calculados de capacidade para cada nc;
Escolha do modelo de c0 e c1; Rotina executa FMINSEARCH
(MATLAB®) agrupando uma bateria por execução;
◦ Cálculo do erro:
Descrição do Modelo
),(),(),,( 01 TIcncTIcncTIC
30
Modelagem da capacidade
◦ Resultados:
532 ponto utilizados;
Obtido os parâmetros y1...y10
Erro médio = 0,0324;
Variância do erro = 0,0035.
Descrição do Modelo
31
Modelagem da capacidade
◦ Comparação Modelo x Cálculo
Descrição do Modelo
32
Modelagem da capacidade
◦ Capacidade x Corrente Elétrica
◦ Capacidade x Temperatura
Descrição do Modelo
33
Modelagem do Estado de Saúde
◦ State of Health (SoH)
◦ Delta_Health
◦ Capacidade @SoH
◦ Número de Ciclo Relativo
◦ Remaining Useful Life (RUL)
Descrição do Modelo
34
Simulink
◦ Projeto:
Carga:
Descrição do Modelo
35
Simulink
◦ Projeto:
Carga:
Descrição do Modelo
36
Simulink
Modelo da Bateria:
Modelo de C
Descrição do Modelo
37
Simulink
Cálculo de SoC:
Modelo de Descarga:
Descrição do Modelo
38
Simulink
Monitoramento da Saúde:
Cálculo de SoH e de ncr
Descrição do Modelo
39
Simulink
Cálculo de ncr e delta_Health
Cálculo de SoH
Descrição do Modelo
40
Simulink
◦ Monitoramento da Saúde:
Descrição do Modelo
41
Estimativa de RUL
Descrição do Modelo
Obtenção os pontos de SoH utilizando o monitoramento da saúde
Regressão linear dos pontos de SoH disponíveis até o momento da
estimação
Obtenção do número do ciclo no qual a bateria atinge o valor mínimo de SoH (SoHmin) realizando a extrapolação da
reta obtida pela regressão
Cálculo das incertezas e incorporação destes valores à estimativa
42
Estimativa de RUL
◦ Regressão Linear
Função REGRESS (MATLAB®)
B → coeficientes da regressão linear da reta BINT → coeficientes das retas superiores e inferiores
que abrangem os pontos com 100*(1-ALPHA)% de confiança
Descrição do Modelo
),,(],[ ALPHAXYregressBINTB
BXY
43
Estimativa de RUL
◦ Cálculo de ncfalha
◦ Cálculo de RUL
◦ Cálculo da Incerteza
Incerteza do perfil de operação das futuras descargas (BINT) Incerteza referente ao modelo de capacidade (erro/c1)
Descrição do Modelo
44
Introdução
PHM (Prognostics and Health Management)
Baterias de Lítio-íon
Descrição do modelo
Estudo de caso
Conclusão
Estrutura do Trabalho
45
Introdução
PHM (Prognostics and Health Management)
Baterias de Lítio-íon
Descrição do modelo
Estudo de caso
Conclusão
Estrutura do Trabalho
46
Limite de SoH
◦ Descarga de emergência:
I = 4A; time = 15 min.; T =43°C (pior cenário);
◦ Resultado:
ncfalha = 285 SoHmin = 0,60
Estudo de Caso
47
Caso A
◦ Partida do motor:
Corrente Elétrica:
Temperatura:
Estudo de Caso
48
Caso A
Efeito da degradação:
Resultado da simulação
ncfalha=495
Estudo de Caso
49
Caso A
◦ Estimativa de RUL:
Exatidão na estimativa de falha (ncfalha=495)
Precisão na estimativa (incerteza ± 17 ciclos)
Estabilidade da estimativa possibilita planejamento da manutenção
Estudo de Caso
50
Caso B
◦ Perfil de descarga:
I=4A; T=24°C; Tempo=10 min; ncfalha=1130.
◦ Operação não prevista:
Elevação de temperatura (T=43°C @ ciclo 240-265)
Estudo de Caso
51
Caso B
◦ Resultado da simulação:
Adiantamento no tempo de falha;
nc'falha = 1059;
Estudo de Caso
52
Caso B
◦ Estimativa de RUL:
Exatidão e conservadorismo na estimativa de falha (ncfalha ≅1033)
Precisão na estimativa (incerteza ± 40 ciclos)
Confiabilidade da estimativa possibilita planejamento da manutenção mesmo em casos com eventos não previstos
Estudo de Caso
53
Introdução
PHM (Prognostics and Health Management)
Baterias de Lítio-íon
Descrição do modelo
Estudo de caso
Conclusão
Estrutura do Trabalho
54
Introdução
PHM (Prognostics and Health Management)
Baterias de Lítio-íon
Descrição do modelo
Estudo de caso
Conclusão
Estrutura do Trabalho
55
Bateria
◦ Verificado importância histórica e no cenário atual de estimar RUL;
◦ Encontrado modelo de descarga compatível com a descarga da bateria de lítio-íon;
◦ Identificado os modos de falha das baterias de lítio-íon;
◦ Estudado as características de degradação da bateria ao longo de seu ciclo de vida em função do perfil de operação (I, T);
Conclusão
56
Metodologia
◦ Os modelos de descarga e de capacidade foram capazes de simular as operações de descarga da bateria ao longo de seu ciclo de vida;
◦ O monitoramento da saúde da bateria foi capaz de monitorar os principais parâmetros necessários à estimação de vida útil restante;
◦ A estimativa de RUL foi capaz de fornecer ao operador informações com precisão e exatidão necessárias para a tomada de decisão para uma intervenção de manutenção na bateria.
Conclusão
57
Trabalho
◦ Colabora no estudo para incorporar a tecnologia de PHM em futuros projetos elétricos de aeronaves (baterias).
Sugestões para trabalhos futuros:
◦ Estudo para incorporar SoC e temperatura interna no modelo de capacidade da bateria;
◦ Estimar RUL em termos de uma pdf (probability density function);
◦ Estudo dos custos e implicações na utilização dos sensores necessários ao monitoramento da saúde da bateria;
◦ Verificar as alterações necessárias para o modelamento de baterias de maior capacidade (mais de uma célula);
Conclusão
58